《Fibers》:Integration of Artificial Intelligence and Electrical Resistivity for the Prediction of Compressive Strength in Steel Fiber-Reinforced Concrete
Ana Torre,
Pedro Espinoza,
Sorín Ramírez and
Luisa Shuan
编辑推荐:
人工智能(AI)已成为基于机器学习的数据预测的重要工具。研究人员评估了多种人工神经网络(ANN)架构与传统多元线性回归(MLR)方法,用于预测钢纤维增强混凝土(SFRC)的抗压强度。模型输入参数包括电阻率、混凝土龄期、水胶比(w/c)及水泥用量。研究人员设计了
人工智能(AI)已成为基于机器学习的数据预测的重要工具。研究人员评估了多种人工神经网络(ANN)架构与传统多元线性回归(MLR)方法,用于预测钢纤维增强混凝土(SFRC)的抗压强度。模型输入参数包括电阻率、混凝土龄期、水胶比(w/c)及水泥用量。研究人员设计了54组混凝土配合比,变化参数为水胶比(0.45、0.50和0.60)、粗骨料公称最大粒径(1″、3/4″和1/2″)及金属纤维类型(Sika? Fiber CHO 65/35 [F1]和Sika? Fiber CHO 80/60 [F2])。圆柱形试件依据ASTM C31标准养护,并在7、14和28天进行测试。抗压强度依据ASTM C39测定,电阻率在相同龄期采用Wenner法测量。基于该数据集,研究人员使用Matlab R2018a软件训练了六种ANN架构并计算了MLR方程。结果表明,ANN模型的预测精度显著优于MLR方法。最优性能由三层ANN实现,其隐含层神经元数分别为50和20,输出层为单神经元,激活函数前两层采用f(s)=tanh(s),第三层采用g(s)=s。该ANN架构的相关系数(R)达0.98157,误差指标最低:平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方误差(MSE)和均方根误差(RMSE)分别为2.37%、2.52%、0.124%和3.52%。研究证实,结合电阻率与上述变量,ANN模型可精准预测金属纤维增强混凝土的抗压强度。
该研究针对全球基础设施建设中混凝土材料用量巨大、碳排放高及传统强度检测依赖破坏性试验的痛点展开。钢纤维增强混凝土(SFRC)虽能提升力学性能与耐久性,但其性能受纤维分布、几何特征及基体相互作用影响,呈现高度非线性与异质性,传统回归模型难以精准捕捉。现有研究多聚焦于配合比设计变量,较少将无损检测(NDT)数据作为模型输入,尤其缺乏利用电阻率这一反映微观结构演变的参数来预测抗压强度的系统性研究。为此,研究人员提出融合无损检测技术与先进人工智能算法,旨在建立高效、非破坏性的SFRC力学性能评估方法,以减少对实验室破坏性试验的依赖,支持可持续建设与基础设施长期性能监测。论文发表于《Fibers》期刊。
研究人员采用了多项关键技术方法。实验方面,依据ACI 211.1方法设计了54组SFRC配合比,选用两种Sika?钢纤维(F1与F2),涵盖三种水胶比(w/c)与三种粗骨料公称最大粒径(NMS),成型432个标准圆柱体试件。测试方面,依据ASTM C31与ASTM C39进行标准养护与抗压强度测试;依据UNE 83988-2标准采用Wenner四电极法测量不同时龄期混凝土的电阻率。建模方面,研究人员构建了六种不同结构的监督式人工神经网络(ANN),采用Levenberg-Marquardt算法进行训练,并与传统的多元线性回归(MLR)模型进行对比。数据预处理阶段,研究人员剔除了与核心变量存在数学依赖性的冗余参数,最终确立了包含龄期、w/c、水泥用量及电阻率的最优四维输入体系。
研究结果如下:
3.1 抗压强度
研究人员测试了F1与F2纤维混凝土在7、14、28天龄期的抗压强度,数据覆盖不同w/c、纤维掺量及骨料粒径变化。结果显示,SFRC抗压强度范围为19.73 MPa至61.01 MPa,随龄期增长增幅达15%–45%,符合硅酸盐水泥水化进程规律。
3.2 电阻率
通过Wenner法获取的电阻率数据表明,SFRC电阻率范围为4.70 kΩ·cm至25.55 kΩ·cm。电阻率随龄期增加而上升,且与温度、湿度及骨料粒径呈显著相关性,反映了微观孔隙结构与传输性能的演变。
3.3 制造变量、电阻率(ER)与抗压强度(CR)的统计特征
统计分析显示,电阻率与龄期相关性最高(R=0.73),而对抗压强度贡献最大的变量为w/c(R=-0.78)。值得注意的是,金属纤维本身与抗压强度及电阻率的线性相关性极低(|R|<0.03),表明其对宏观强度的直接影响有限,但可能通过改变微观结构间接作用于性能。
3.4 基于人工神经网络的抗压强度预测
研究人员对比了六种不同的ANN架构。结果表明,双层隐含层结构[50, 20, 1](简称ANN2)在所有模型中表现最优。在四维输入变量配置下,ANN2达到了最高的相关系数(R=0.98157)及最低的误差指标(MAE=2.37%,MAPE=2.52%)。增加输入变量并未显著提升模型精度,反而引入多重共线性风险。在验证集上,ANN2仍保持优异的预测能力,95.65%的样本预测误差控制在3.2151 MPa以内。
3.5 基于多元线性回归(MLR)的抗压强度预测
MLR模型在四维变量下的预测精度显著低于ANN2(R=0.87871,MAPE=7.99%)。尽管六维变量模型R值略有提升,但均方误差与最大误差增大,证实了多重共线性导致参数估计不稳定,进一步凸显了ANN在处理非线性、高维数据上的优势。
讨论与结论
讨论部分指出,ANN2卓越的性能归功于其能够捕捉混凝土复杂的非线性行为,避免了传统统计方法的简化假设。电阻率作为关键输入参数,有效表征了水泥水化进程与微观结构演化。虽然金属纤维对强度的直接线性贡献微弱,但通过电阻率间接纳入模型,提升了预测的全面性。研究同时指出,当前模型对纤维增韧效应的捕捉有限,建议未来结合超声脉冲波速等多源无损检测数据进行优化。
结论部分证实,融合电阻率与人工智能的方法可高精度预测SFRC抗压强度。最优模型ANN2[50, 20, 1]仅需龄期、w/c、水泥用量及电阻率四个参数,即可实现R=0.98157的预测精度,显著优于MLR。该技术为建筑行业提供了一种可靠的替代方案,能够通过早期无损检测数据进行质量控制与结构评估,有助于减少材料浪费并支持基础设施的长期耐久性监测。